用于放射疗法剂量分布分析的人工智能建模制造技术

本文公开了使用经由训练的人工智能模型预测的剂量分布值来优化放射疗法处理计划的方法和系统

【技术实现步骤摘要】
【国外来华专利技术】用于放射疗法剂量分布分析的人工智能建模


[0001]本申请总体上涉及使用人工智能建模来预测
、
可视化和优化针对患者的剂量分布和处理计划
。

技术介绍

[0002]放射疗法
(
基于辐射的疗法
)
作为癌症处理被用于发出可以杀死细胞或缩小肿瘤的高剂量辐射
。
患者身体上打算接收辐射的靶标区域
(
例如，肿瘤
)
被称为计划靶标体积
(PTV)。
目标是在放射疗法
(
本文也被称为处理计划或放射疗法处理
)
期间向
PTV
递送足够的辐射以杀死癌细胞
。
然而，邻近
PTV
或
PTV
周围的其他器官或解剖区域可能位于辐射束的路径中，并且可能接收足够的辐射而损坏或伤害这些器官或解剖区域
。
这些器官或解剖区域被称为处于危险中的器官
(OAR)。
通常，医生或放射科医生在放射疗法之前使用例如计算机断层扫描
(CT)
图像
、
磁共振成像
(MRI)
图像
、
正电子发射断层扫描
(PET)
图像
、
经由一些其他成像模式获得的图像
、
或其组合来标识
PTV
和
OAR。
例如，医师或放射科医生可以在患者的医学图像上手动标记
PTV
和
/
或
OAR。
[0003]使用患者的医学图像以及所标识的
PTV
和
OAR
，医疗专业人员团队
(
例如，内科医生
、
放射科医生
、
肿瘤学家
、
辐射技术人员
、
其他医务人员
、
或其组合
)
确定在放射疗法期间使用的辐射参数
。
例如，这些辐射参数包括每个辐射束的类型
、
角度
、
辐射强度和
/
或形状
。
在确定这些参数时，医疗专业人员尝试实现满足预定义标准
(
本文也被称为计划目标
)
的辐射剂量分布以递送给患者
。
这种标准通常包括针对
PTV
和
OAR
预定义的辐射剂量阈值或范围
。
[0004]为了以满足预定义标准的方式来优化辐射参数，处理计划者通常用各种辐射参数来运行多个模拟，并且基于模拟结果来选择要使用的最终辐射参数集
。
然而，这个过程效率极低且不理想
。
该过程通常涉及在每次模拟后修改辐射参数
。
无论辐射参数是使用手动还是基于计算机的解决方案来计算的，这样的方法都是耗时
、
乏味的，并且可能不会提供最佳结果
。
此外，这种传统方法严重依赖于医疗专业人员的主观知识和理解
。

技术实现思路

[0005]在一个方面中，本专利技术提供一种如权利要求1中定义的方法
。
在另一方面中，本专利技术提供一种如权利要求
10
中定义的计算机系统
。
在又一个方面中，本专利技术提供一种如权利要求
19
中定义的计算机系统
。
可选特征在从属权利要求中被指定
。
[0006]由于前述原因，期望一种自动化的端到端系统，其能够采用计算机模型
(
例如，人工智能模型
)
来自动模拟患者的处理计划和剂量分布，并且以一种不取决于医疗专业人员的主观技能和理解的方式来优化患者的处理计划
。
期望生成剂量分布的准确预测，该预测可以被用于指导临床计划优化并节省计算时间
。
[0007]在一个实施例中，一种方法，包括：由处理器来执行人工智能模型以标识针对患者的解剖区域的剂量分布值，该人工智能模型是使用训练数据集来训练的，该训练数据集包
括与先前对多个先前患者实施的多个放射疗法处理相关联的数据以及与每个先前患者的一个或多个器官相关联的剂量分布；由处理器来显示具有分段集的热图，其中每个分段与患者的解剖区域的第一坐标和第二坐标相对应，其中每个分段的视觉属性与计算的剂量分布值相对应，其中与超过第一阈值的第一区域或低于第二阈值的第二区域相对应的至少一个分段在视觉上与热图中的其他分段明显不同
。
[0008]在另一个实施例中，一种计算机系统包括服务器，该服务器包括处理器和包含指令的非暂态计算机可读介质，当该指令被处理器执行时使处理器执行包括以下步骤的操作：执行人工智能模型以标识针对患者的解剖区域的剂量分布值，人工智能模型是使用训练数据集来训练的，该训练数据集包括与先前对多个先前患者实施的多个放射疗法处理相关联的数据以及与每个先前患者的一个或多个器官相关联的剂量分布；以及显示具有分段集的热图，其中每个分段与患者的解剖区域的第一坐标和第二坐标相对应，其中每个分段的视觉属性与所计算的剂量分布值相对应，其中与超过第一阈值的第一区域或低于第二阈值的第二区域相对应的至少一个分段在视觉上与热图中的其他分段明显不同
。
[0009]在另一个实施例中，计算机系统包括与人工智能模型和电子设备通信的处理器，该处理器被配置为：执行人工智能模型以标识针对患者的解剖区域的剂量分布值，人工智能模型是使用训练数据集来训练的，该训练数据集包括与先前对多个先前患者实施的多个放射疗法处理相关联的数据以及与每个先前患者的一个或多个器官相关联的剂量分布；以及显示具有分段集的热图，其中每个分段与患者的解剖区域的第一坐标和第二坐标相对应，其中每个分段的视觉属性与所计算的剂量分布值相对应，其中与超过第一阈值的第一区域或低于第二阈值的第二区域相对应的至少一个分段在视觉上与热图中的其他分段明显不同
。
[0010]在另一个实施例中，一种方法包括由处理器检索针对患者的放射疗法处理计划，该计划包括与患者相关联的计划剂量分布值；由处理器使用放射疗法处理计划来执行人工智能模型，以至少部分地基于计划剂量分布来预测针对患者的解剖区域的预测剂量分布值，该人工智能模型是使用训练数据集来训练的，该训练数据集包括与先前对多个先前患者实施的多个放射疗法处理相关联的数据以及与每个先前患者的一个或多个器官相关联的剂量分布；当所预测的剂量分布值超过阈值时，由处理器发送通知
。
[0011]在另一个实施例中，一种计算机系统包括服务器，该服务器包括处理器和包含指令的非暂态计算机可读介质，当该指令由处理器执行时，使处理器执行包括以下步骤的操作：检索针对患者的辐射处理计划，该计划包括与患者相关联的计划剂量分布值；使用放射疗法处理计划来执行人工智能模型，以至少本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.
一种方法，包括：由处理器检索针对患者的放射疗法处理计划，所述放射疗法处理计划包括与所述患者相关联的计划剂量分布值；由所述处理器使用所述放射疗法处理计划来执行人工智能模型，以至少部分地基于所述计划剂量分布值来预测针对所述患者的解剖区域的预测剂量分布值，所述人工智能模型使用训练数据集被训练，所述训练数据集包括与先前对多个先前患者实施的多个放射疗法处理相关联的数据以及与每个先前患者的一个或多个器官相关联的剂量分布；以及当所述预测剂量分布值超过阈值时，由所述处理器发送通知
。2.
根据权利要求1所述的方法，其中所述阈值是从与所述患者相关联的计划目标中检索的
。3.
根据权利要求1或2所述的方法，其中所述阈值与标识指示热点的第一区域或指示冷点的第二区域的标准相对应
。4.
根据权利要求
1、2
或3所述的方法，其中所述阈值与由计划优化器软件解决方案生成的现有处理计划内的至少一个剂量分布值相对应
。5.
根据权利要求1至4中任一项所述的方法，其中所述放射疗法处理计划是由计划优化器应用生成的，并且所述方法还包括：由所述处理器将与由所述人工智能模型预测的所述至少一个剂量分布值相关联的数据发送给所述计划优化器应用
。6.
根据权利要求1至5中任一项所述的方法，其中所述人工智能模型使用先前患者的剂量
‑
体积直方图以及其对应的第一阈值和第二阈值被训练
。7.
根据权利要求1至6中任一项所述的方法，其中所述人工智能模型使用与先前患者相关联的医学图像集被训练
。8.
根据权利要求7所述的方法，其中所述处理器修改来自所述医学图像集的至少一个医学图像，所述至少一个医学图像包括特定对象
。9.
根据权利要求1至8中任一项所述的方法，其中所述通知包括具有分段集的热图，其中每个分段与所述患者的所述解剖区域的第一坐标和第二坐标相对应，其中每个分段的视觉属性与所计算的剂量分布值相对应
。10.
一种计算机系统，包括：包括处理器和非暂态计算机可读介质的服务器，所述非暂态计算机可读介质包含指令，当所述指令被所述处理器执行时，使所述处理器执行包括以下步骤的操作：检索针对患者的放射疗法处理计划，所述放射疗法处理计划包括与所述患者相关联的计划剂量分布值；使用所述放射疗法处理计划来执行人工智能模型，以至少部分地基于所述计划剂量分布值来预测针对所述患者的解剖学区域的预测剂量分布值，所述人工智能模型使用训练数据集被训练，所述训练数据集包括与先前对多个先前患者实施的多个放射疗法处理相关联的数据以及与每个先前患者的一个或多个器官相关联的剂量分布；以及当所述预测剂量分布值超过阈值时，发送通知
。11.
根据权利要求...

【专利技术属性】
技术研发人员：J，
申请(专利权)人：西门子医疗国际股份有限公司，
类型：发明
国别省市：